顾及权重信息的地图点群目标自动综合方法

在小比例尺地图上,许多地物呈点群状分布。当地图比例尺进一步缩小时,点状符号之间会出现相互堆叠、覆盖等情形。为了保持地图的清晰度、层次特征与美观性,需要对点群进行综合,即从原始点群中抽取出一定数量相对重要的点而删除相对次要点。点的权重反映了单个点在点群整体中的重要性程度,在点群综合算法设计中非常关键。按照点群综合过程中对权重信息的顾及情况,可以将已有的点群综合算法分为两大类:第1类算法在点群综合过程中没有顾及其权重信息,第2类算法在综合过程中虽然顾及到了权重信息,但仍然存在点群权重设定比较主观、综合结果缺乏现势参考价值,以及没有顾及道路网在点群综合中的制约与影响作用等问题。

地图综合图卷积神经网络点群简化方法

地图综合是一个多因素影响的复杂决策过程,针对不同场景判断下的综合算子优化选择常规上通过基于规则的方法实施。顾及不同特殊条件影响,这些地图综合规则需要“打补丁”,导致地图综合规则体系越来越复杂,从而失去普适性。人工智能技术下的数据驱动综合方案通过机器学习提取典型案例中隐含的综合规则,并迁移到新的数据场景,为处理特殊规则下的地图综合提供了一种思路。本文引入深度学习技术,采用领域知识与数据驱动相结合的策略,提出了一种基于图卷积神经网络的点群自动综合方法。本文方法通过样本训练与深度学习获取不同数据场景下的地图综合知识,同时融入既有规则进行引导,可以更有效地向人工地图综合结果的目标迈进。首先,构建Delaunay三角网,在点群之间建立空间邻域关系,并根据地理空间上下文关联、空间异质性等领域知识计算各个点的特征信息,构造点群的特征向量。其次,引入拓扑自适应图卷积神经网络,构建点群数据自动综合网络模型。试验表明本文方法在局部区域与整体地图上均可以保持原始点群的各项特征,体现在相对数量保持、上下文特征继承、属性特征一致方面均有良好的表达效果。

适用于点群共存场景的TPMBM跟踪算法

针对传统群目标跟踪算法在点群共存场景下跟踪精度低的问题,提出了可以同时对点目标和群目标进行跟踪的轨迹泊松多伯努利混合(trajectory Poisson multi-Bernoulli mixture,TPMBM)滤波算法。该算法对目标的状态空间进行扩展,在标准点目标和群目标模型的基础上引入关于目标类别的概率信息,通过TPMBM滤波器的预测和更新过程实现对目标类别的判断和对目标运动状态的估计。仿真结果表明,与现有算法相比,所提算法在点目标和群目标共存时漏检误差明显降低,具有更优的跟踪性能。

多维度偏好建模的动态兴趣点群组推荐算法

随着互联网数据信息的海量化和地理社交网络(GSNs)的不断发展,群组活动在社会生活中盛行,推荐问题的对象由个人向群组进行延伸,兴趣点(POI)群组推荐问题也逐渐成为研究的热点问题。由于GSNs中用户偏好的多因素影响和群组决策过程的复杂化,传统的方法已经不再适用。为了充分挖掘GSNs中用户偏好和模拟群组决策过程,以提高群组推荐的整体性能,提出了一种基于多维度偏好建模的动态兴趣点群组推荐方法。首先,结合时间因素和空间因素,根据用户行为活动记录计算用户偏好,并以群组为单位构建群组-兴趣点感知图;然后,加入协同用户的影响完成对用户群组偏好的建模,并充分考虑了GSNs中的特征,保证了兴趣点推荐的准确性;最后,利用神经网络结构模拟群组决策过程,完成对兴趣点群组推荐任务的求解。在真实数据集上与现有的群组推荐算法进行了对比,实验结果表明提出的算法在兴趣点命中率等方面明显优于对照算法,证明了该算法的有效性。

考虑个体差异效应的高拱坝测点群变形监控

针对水压-温变-时效(hydraulic-seasonal-time,简称HST)模型监控高拱坝变形的不足,以变形规律相似的测点群为对象,搭建一种新的监控模式。首先,依据面板数据格式,建立水压、温变和时效面板模型;其次,引入固定效应(fixed effect,简称FE)和随机效应(random effect,简称RE)表征个体差异效应,据此构建HST-FE/RE面板模型;然后,通过建立置信椭球,借助典型小概率原理,提出测点群变形监控准则;最后,结合某实际工程,检验方法的可行性和有效性。结果显示:HST-FE/RE复相关系数及剩余标准差分别为99.875%和0.01634,拟合性能比HST更优;HST-FE/RE变形预测相对误差波动平稳,最大值为3.28%,精度高于HST;置信椭球准则对典型小概率变形的辨识比置信区间准则严格。相较于常规方法,本方法性能提升较大,更适用于高拱坝变形监控。

点群目标空间分布主方向定量描述模型

目前点群目标空间分布主方向模型较少顾及分布密度对点群分布主方向判断的影响,针对此问题,提出一种点群目标空间分布主方向定量描述模型。基于点群的分布密度构建方向玫瑰图;利用统计加权算法,计算点群主方向,引入置信区间,得到点群的主方向分布范围。实验结果表明,文中模型较好地反映了分布密度对点群目标空间分布主方向的影响,计算结果与人类认知具有较高的一致性。

一种基于相似度的点群综合选取算法

为了提出兼顾统计信息、拓扑信息、度量信息和专题信息的点群综合算法,笔者将4类信息分别归纳为相应的空间点群相似度指标,构建了合适的多目标函数模型,利用遗传智能算法对多目标函数进行了逐步优化,选取较优点,得到了最优值并达到了综合结果。实验结果表明,该算法能够很好地传递综合前后的关键信息,并可以利用并行计算提高效率。

数字海图点群状特征的识别、量测与综合

空间分布特征的保持是点群自动综合的核心和难点所在 ,为此 ,本文定义了 4个参量 :分布范围、分布密度、分布中心和分布轴线 ,来描述点群目标的结构化信息。利用Delaunay三角网和Voronoi图两种模型 ,着重探讨了点群分布特征的识别和量测问题 ,并在识别与量测的基础上 ,通过Voronoi图的动态构建 ,给出了点群自动综合模型 ,通过实际岛群数据的检测 ,证明了模型的正确性与可行性。

基于邻近图的点群层次聚类方法的研究

空间聚类是点状空间目标群在地图综合中必须解决的问题。分析点群的几种常用邻近图的特征及其层次关系,并基于原始的点集合生成的DT构建相应的GG,UG,MST和NNG,然后在所选择的密度适应性约束、距离适应性约束和偏差适应性约束这三种条件下,利用所生成的邻近图进行了点群的层次聚类。研究并改进现有的点状空间目标群的无监督层次聚类方法,并通过实例验证该算法的可行性。

基于CIRCLE特征变换的点群选取改进算法

本文在介绍了已有的“基于Circle特征变换的点群选取算法”(测绘科学2005年第3期)基础上,提出了一种改进算法。详细分析了已有算法在线化简过程中对聚类的过度依赖性和线化简过程中的逻辑不一致性等两个主要不足,对特征空间中的线化简等关键步骤进行了改进。最后就改进算法的结果与原先算法的结果进行了对比分析与评价。

测量点群与标准曲面的匹配算法研究

用最小二乘法的曲面匹配算法来处理待比较曲面的局部大变形问题 ,具有较大误差 ,为此提出了一种新的贴合评判标准 ,以此来构造匹配优化的目标函数并进行匹配 ,不但能达到总体优化 ,还可以减弱局部大变形对匹配结果的影响 .因此 ,使用匹配准则和最小二乘准则分别对某导轨和汽车靠背椅的标准曲面和测量点群进行了匹配 .研究结果表明 。

多尺度地理空间点群目标相似关系的计算研究

研究多尺度地理空间点群目标相似关系的计算问题。基于4类点群信息,将点群目标包含的信息重新分成统计信息、专题信息、拓扑信息、几何信息和度量信息,这5类信息是影响点群相似性程度的主要因子。根据这5类信息描述参数的特点,给出了各个因子的相似度计算公式,建立了多尺度地理空间点群目标相似关系的计算模型,并通过算例验证了该模型的可行性与有效性,为地图综合质量的评价提供了一种新方法。

基于CIRCLE特征变换的点群选取算法

本文在分析了当前地图自动综合算法的基础上,提出了一种基于Circle特征变换的点群选取新算法。文中介绍了该算法中空域中心点的确定、目标特征空间的计算、坐标空间到特征空间的转换、特征空间的聚类以及特征空间的化简等关键步骤。最后就算法的结果进行了分析与评价。

基于遗传算法的点群目标选取模型

结合 3种点群目标选取的一般原则和遗传算法的基本原理与特点 ,设计了基于遗传算法的点群目标选取模型 .考虑到要最大限度地保持点群的分布范围、排列规律、内部各地段的分布密度等因素 ,基于遗传算法的点群选取模型的基本原理是 :首先采用自适应分类方法 ,将点群 M依照密度分成若干类子点群 ,然后根据每个子点群的点数和最后要保留的总的点数 ,计算每个子点群中要保留的点数 ,最后结合凸壳化简方法和遗传算法对点进行选择 .在对关键性步骤进行讨论的基础上 ,本文针对某一地区的点群目标分别采用基于遗传算法的点目标选取方法与凸壳选取方法进行了选取对比实验 .从实验结果和遗传算法的特点分析可以看出 ,基于遗传算法的点目标选取方法的特点是非常明显的 ,其适用于分散式居民地记号房、可看作点状目标的小湖泊群等点状要素的选取 ;能够保持密度分布特征及其排列规律 ;

基于Kohonen网络的点群综合研究

基于Kohonen网络模型,对标准的SOM(self-organizing feature map)算法进行了改进,在保持点群原有空间分布特征的情况下研究点群的选取和典型化。实践表明,该方法适合任意空间分布类型的点群综合。

一种改进的点群移位算法及其应用

比例射线移位算法处理冲突目标群,能够较好地保持移位后目标群的空间分布模式,常被应用于点群移位。本文在对已有算法的研究基础上,对其进行改进:首先考虑了存在线状要素时点群移位的新情况;其次,提出了可变参数的衰减函数控制模型。最后本文通过实验,演示了算法的有效性。

随机点群目标空间图形的表达与识别

本文针对国内外一些对点群目标的自动综合方法中存在的弊端,提出了一种新的自动综合模式———空间图形的表达、识别与综合。通过在点群中构建Delaunay三角网,并加入相应的约束条件,实现对随机点群目标空间图形的表达。从外围轮廓,内部结构,中轴线的提取和单个点目标的影响域几方面对点群目标的综合参数进行了识别。表达与识别为地图自动综合的实施奠定了基础。这一方法必将提高综合的自动化程度,成为自动综合研究领域中一个新的突破点。

Delaunay三角网在图斑与点群目标综合中的应用

土地资源调查利用的土地类型数据多为不同比例尺电子矢量地图,以此数据为研究基础,详细介绍了Delaunay三角网及其Voronoi多边形的特性,以及在土地数据类型中的图斑综合与点群目标综合中的算法应用,具体描述了两种算法的实现过程和试验结果,并对几种点群目标算法进行了简要分析和比对,详细介绍了实现过程;重点阐述了图斑综合算法的思想和算法的具体实现。最后以"土地利用数据库智能化自动综合系统"为例验证了算法方案的合理性和可行性。

海图上点群状特征的识别与量测

点群状(包括图斑群)目标在GIS数据中有大量的实例,由于它不同于单个独立的点状要素,在海图自动综合中如何对其分布特性进行识别并加以定量描述,是进行点群综合过程中的关键问题。主要介绍如何利用Delaunay三角网与Voronoi图两种模型对点群状目标分布特性进行描述,并通过对Delaunay三角网与Voronoi图的"蚕食"以及引入图像处理概念将密度问题转化为图像处理问题的方法,直接或间接对点群状目标进行识别与量测。